Afin de détecter et caractériser les particules de TiO2 présentes dans les produits alimentaires et cosmétiques (Weir et al. (2012), Hwang et al. (2019)), le microscope électronique à balayage (MEB) est généralement l'instrument privilégié avec des images haute résolution permettant de mesurer la taille, la forme ou l'état d'agrégation des particules. Pour comprendre les propriétés des matériaux à l'échelle nanométrique, il s'agit d'estimer précisément la distribution en taille des particules et pour se faire, il faut détecter et segmenter chaque particule individuelle dans l'image et estimer leur état d'agrégation. Nous proposons d'utiliser le Mask-RCNN développé par He et al. (2017) pour la tâche de segmentation automatique des particules avec un entraînement couplant les techniques de transfert d'apprentissage et d'augmentation de données compte-tenu du nombre limité d'images annotées (courant dans l'industrie). Pour estimer le statut d'agrégation de chaque particule, nous utilisons un réseau de neurone convolutionnel (VGG16). Cette chaîne de traitement automatisée permet une bonne estimation de la distribution en taille des particules de TiO2 avec 96 % des mesures sur le jeu de test présentant moins de 5 % d'erreur sur l'estimation du diamètre de surface équivalent.